盾構(gòu)機(jī)刀盤(pán)主驅(qū)動(dòng)電機(jī)異常檢測(cè)與性能評(píng)估

唐宇翔,陶建峰,2,劉成良,2

(1. 上海交通大學(xué)機(jī)械與動(dòng)力工程學(xué)院,200240,上海;2. 上海交通大學(xué)機(jī)械系統(tǒng)與振動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室,200240,上海)

盾構(gòu)機(jī)[1]是隧道掘進(jìn)施工的關(guān)鍵設(shè)備,在地下軌道交通和隧道挖掘等領(lǐng)域有著十分廣泛的應(yīng)用。主驅(qū)動(dòng)是盾構(gòu)機(jī)中的核心驅(qū)動(dòng)系統(tǒng),電機(jī)是主驅(qū)動(dòng)中重要的動(dòng)力元件,對(duì)于盾構(gòu)機(jī)安全高效的掘進(jìn)有著重要影響。主驅(qū)動(dòng)電機(jī)如果出現(xiàn)異常[2-4],將影響刀盤(pán)切削作業(yè),導(dǎo)致掌子面穩(wěn)定性和安全性降低;另一方面,部分電機(jī)性能衰退,將導(dǎo)致其余電機(jī)過(guò)載,加速主驅(qū)動(dòng)電機(jī)的失效。為了確保主驅(qū)動(dòng)系統(tǒng)的健康,監(jiān)測(cè)主驅(qū)動(dòng)電機(jī)狀態(tài)、預(yù)測(cè)其性能變化,具有十分重要的意義。

在對(duì)電機(jī)異常檢測(cè)和故障診斷的研究中,Cai等[5]基于振動(dòng)和聲發(fā)射數(shù)據(jù),提出了一種基于貝葉斯網(wǎng)絡(luò)的電機(jī)早期故障診斷方法,采用小波閾值去噪和最小熵反褶積方法提高信噪比,采用互補(bǔ)集成經(jīng)驗(yàn)?zāi)B(tài)分解方法提取信號(hào)特征值,利用貝葉斯網(wǎng)絡(luò)進(jìn)行早期、中期和永久故障的識(shí)別。Sun等[6]針對(duì)電機(jī)的高頻振動(dòng)信號(hào),提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的感應(yīng)電機(jī)故障診斷方法,采用稀疏自編碼器記錄特征,識(shí)別電機(jī)故障Gangsar等[7-8]采集了電機(jī)的振動(dòng)信號(hào)和電流信號(hào),通過(guò)大量數(shù)據(jù)分析了10種不同的電機(jī)故障類(lèi)型,采用支持向量機(jī)的方法實(shí)現(xiàn)電機(jī)的故障診斷。Liu等[9]針對(duì)振動(dòng)信號(hào),提出了一種多尺度核的殘差卷積神經(jīng)網(wǎng)絡(luò),能夠應(yīng)對(duì)在不同條件下振動(dòng)信號(hào)的非平穩(wěn)問(wèn)題。Gyftakis等[10]研究了基于電流的方法的有效性和可靠性,以利用磁通量進(jìn)行比較臨界評(píng)估,提出了一種基于Goerges現(xiàn)象的瞬態(tài)方法診斷電機(jī)匝間短路。Sai等[11-12]嘗試通過(guò)電流信號(hào)和聲音信號(hào)來(lái)檢測(cè)電機(jī)異常,提出了一種基于特征增量式廣義學(xué)習(xí)(FIBL)和奇異值分解(SVD)的的電機(jī)故障診斷方法。Glowacz等[13]嘗試通過(guò)聲音信號(hào)來(lái)監(jiān)測(cè)電機(jī)異常,用最近鄰分類(lèi)器(NN)、最近鄰分類(lèi)器(NM)和高斯混合模型(GMM)完成電機(jī)的診斷。Asad等[14]建立混合模型,通過(guò)有限元仿真計(jì)算來(lái)判斷電機(jī)的異常情況。此外,一些基于多信號(hào)融合的檢測(cè)方法[15-17]在近些年被提出,側(cè)重于使用多數(shù)量和多種類(lèi)的傳感器獲取不同形式的特征信號(hào),綜合利用多種信號(hào)進(jìn)行電機(jī)的異常檢測(cè)和性能評(píng)估。

雖然目前對(duì)于電機(jī)的異常檢測(cè)和故障診斷已有諸多方法,但是仍然面臨著現(xiàn)場(chǎng)條件受限、數(shù)據(jù)不足[18]的挑戰(zhàn)。首先,施工現(xiàn)場(chǎng)的設(shè)備采集信號(hào)多是來(lái)源于PLC控制器,缺乏常見(jiàn)電機(jī)診斷方法中需求的高頻振動(dòng)信號(hào),高頻電流信號(hào)甚至聲音信號(hào)、聲發(fā)射信號(hào)等;其次,數(shù)據(jù)驅(qū)動(dòng)的電機(jī)診斷算法要求單臺(tái)電機(jī)的完整信息,然而包含故障數(shù)據(jù)在內(nèi)的實(shí)際工況下的全壽命電機(jī)數(shù)據(jù),獲取十分困難;而基于實(shí)驗(yàn)室數(shù)據(jù)開(kāi)發(fā)的異常檢測(cè)和故障診斷方法僅針對(duì)特定電機(jī)有效,存在遷移特性差等問(wèn)題。

自動(dòng)編碼器(Autoencoder)是一類(lèi)在半監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)中使用的神經(jīng)網(wǎng)絡(luò),其主要功能是以輸入數(shù)據(jù)為目標(biāo)進(jìn)行表征學(xué)習(xí)、記錄特征,因而被廣泛應(yīng)用于數(shù)據(jù)降維和異常值檢測(cè)等領(lǐng)域。卷積長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(ConvLSTM)是長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的變種,是為了克服長(zhǎng)短時(shí)處理高維數(shù)據(jù)的不足而做的一種增加了卷積操作的改進(jìn),能夠更有效地處理時(shí)序信息和空間特征。多尺度循環(huán)自編碼網(wǎng)絡(luò)結(jié)合二者的優(yōu)勢(shì),既能夠?qū)斎霐?shù)據(jù)進(jìn)行表征學(xué)習(xí),又同時(shí)能夠處理空間和時(shí)間特征,非常適用于多維時(shí)間序列數(shù)據(jù)的處理,為機(jī)械設(shè)備的異常檢測(cè)及故障診斷提供了新的思路。

為了降低算法與具體電機(jī)型號(hào)之間的強(qiáng)相關(guān)性,擺脫對(duì)大量故障數(shù)據(jù)的依賴(lài),并且保證方法的通用性和遷移性能。本文提出了一種基于多尺度循環(huán)自編碼網(wǎng)絡(luò)的電機(jī)異常檢測(cè)和性能評(píng)估方法,該方法采用PLC控制器中電機(jī)電流數(shù)據(jù)作為評(píng)估電機(jī)工作狀態(tài)的原始數(shù)據(jù);首先對(duì)數(shù)據(jù)進(jìn)行清洗、篩選、切片等預(yù)處理工作后構(gòu)建電機(jī)組差異性矩陣作為算法訓(xùn)練集;其次訓(xùn)練多尺度循環(huán)自編碼器以完成特征提取和學(xué)習(xí);最后通過(guò)經(jīng)過(guò)模型的重構(gòu)輸出與輸入的殘差檢測(cè)電機(jī)異常,給出電機(jī)性能指標(biāo)。所提方法能快速、有效、準(zhǔn)確地識(shí)別電機(jī)異常和評(píng)估電機(jī)性能,適用于工程現(xiàn)場(chǎng)。

1 主驅(qū)動(dòng)電機(jī)差異性度量

1.1 基本原理

一般的盾構(gòu)機(jī)主驅(qū)動(dòng)[19]裝置由主軸承、驅(qū)動(dòng)電機(jī)、減速器及大小齒輪組成,軸承外圈通過(guò)連接法蘭用螺絲與前體固定,內(nèi)(齒)圈用螺絲和刀盤(pán)連接,通過(guò)驅(qū)動(dòng)電機(jī)、減速器、大小齒輪、軸承內(nèi)齒圈直接驅(qū)動(dòng)刀盤(pán)旋轉(zhuǎn),如圖1所示。

圖1 盾構(gòu)機(jī)刀盤(pán)主驅(qū)動(dòng)結(jié)構(gòu)示意圖[20]Fig.1 Structure of shield tunneling machine cutter main drive

目前能夠獲取到電機(jī)的頻率信號(hào)、電機(jī)的電流信號(hào)、電機(jī)的扭矩百分比信號(hào)。由于隧道掘進(jìn)機(jī)在行進(jìn)的過(guò)程中刀盤(pán)是轉(zhuǎn)動(dòng)的,并且各個(gè)電機(jī)的分布都是圍繞圓心對(duì)稱(chēng)分布,理論上來(lái)講平均負(fù)載應(yīng)該是相同的,基于此可以設(shè)計(jì)算法實(shí)現(xiàn)異常電機(jī)的離群檢測(cè)。本文假設(shè)在主驅(qū)動(dòng)電機(jī)組中與其他電機(jī)差異最大的電機(jī)為潛在的異常電機(jī),所以電機(jī)的異常檢測(cè)可以轉(zhuǎn)化為電機(jī)時(shí)間序列信號(hào)的差異性檢測(cè),將基于電流信號(hào)分析電機(jī)之間的差異性。

1.2 差異性度量

電機(jī)的電流信號(hào)是典型的時(shí)間序列,描述兩個(gè)時(shí)間序列之間的相似性多種方法包括歐幾里得距離[21]、DTW距離[22]、曼哈頓距離[23]等。對(duì)于高頻時(shí)間序列,相似信號(hào)之間可能會(huì)存在時(shí)間刻度上的偏移,比較適合使用DTW距離來(lái)減小時(shí)間位移的影響。而對(duì)于低頻時(shí)間序列,歐幾里得距離可以描述序列之間的差異情況。本文中PLC獲取的電機(jī)電流信號(hào)是低頻的長(zhǎng)時(shí)間序列,所以選擇歐幾里得距離作為描述兩個(gè)信號(hào)之間差異性基本方法。

考慮到信號(hào)長(zhǎng)度不一定相同且時(shí)間序列過(guò)長(zhǎng)可能導(dǎo)致得出的歐幾里得距離很大,故選用兩個(gè)時(shí)間序列的絕對(duì)差序列的均方根作為其差異性度量,計(jì)算式為

(1)

式中:M(i,j)為第i個(gè)信號(hào)與第j個(gè)信號(hào)的差異性度量值;n為不同的信號(hào)數(shù);T為時(shí)間序列的長(zhǎng)度。本文中取n=6為例,之后涉及到電機(jī)數(shù)取值同此處理。6個(gè)電機(jī)兩兩之間總共能構(gòu)成15種不同的組合,為了便于描述和數(shù)據(jù)分析,采用6×6的矩陣(稱(chēng)為差異性矩陣)記錄以上距離,如圖2所示。

圖2 差異性矩陣Fig.2 Variance matrix

在差異性矩陣中,對(duì)應(yīng)位置的值越大表明該單元格對(duì)應(yīng)的兩個(gè)電機(jī)電流信號(hào)之間的差異性越大,用熱力圖將差異性矩陣?yán)L制出來(lái),可以觀察差異性較大的電機(jī)對(duì)分布,從而根據(jù)差異性矩陣來(lái)判斷整個(gè)主驅(qū)動(dòng)電機(jī)組的性能。為了更充分描述電機(jī)組在某一時(shí)刻的性能,需要綜合考慮不同時(shí)間序列長(zhǎng)度對(duì)性能的影響。根據(jù)不同的時(shí)間序列長(zhǎng)度,共選擇了時(shí)長(zhǎng)分別為30、60、90 s的時(shí)間序列,如圖3所示,最終以3種不同尺度的差異性矩陣作為t時(shí)刻的差異性度量,并作為后文所述多尺度循環(huán)自編碼器的輸入。

(a)以時(shí)長(zhǎng)30 s電流信號(hào)計(jì)算出的差異性矩陣

(b)以時(shí)長(zhǎng)60 s電流信號(hào)計(jì)算出的差異性矩陣

(c)以時(shí)長(zhǎng)90 s電流信號(hào)計(jì)算出的差異性矩陣

2 多尺度循環(huán)自編碼器方法

本節(jié)將介紹對(duì)差異性矩陣進(jìn)行異常檢測(cè)的多尺度循環(huán)自編碼神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法。

2.1 自編碼器網(wǎng)絡(luò)

自動(dòng)編碼器[24]結(jié)構(gòu)分為編碼器和解碼器:編碼器的作用是將輸入數(shù)據(jù)通過(guò)幾層不同的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取對(duì)輸入數(shù)據(jù)進(jìn)行降維;解碼器的作用是對(duì)提取后的特征數(shù)據(jù)通過(guò)反卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行升維還原。通過(guò)比對(duì)還原后的數(shù)據(jù)與輸入數(shù)據(jù)的差距可以判斷編碼器和解碼器網(wǎng)絡(luò)是否提取了訓(xùn)練集數(shù)據(jù)的正確特征。自動(dòng)編碼器的結(jié)構(gòu)如圖4所示。

圖4 自編碼器網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Network structure of auto-encoder

自編碼器網(wǎng)絡(luò)以殘差矩陣的元素均方根值作為損失函數(shù)來(lái)最小化重構(gòu)誤差,使得該自編碼器能夠記錄訓(xùn)練數(shù)據(jù)的關(guān)鍵特征。

2.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

由于對(duì)時(shí)間序列的異常檢測(cè)不能僅僅關(guān)注當(dāng)前時(shí)刻,還需要綜合考慮前后相鄰時(shí)刻的相關(guān)數(shù)據(jù)對(duì)當(dāng)前時(shí)刻的影響,所以對(duì)于每個(gè)時(shí)刻t,選取當(dāng)前時(shí)刻和前4個(gè)時(shí)刻t-4,t-3,t-2,t-1, 5個(gè)時(shí)刻的差異性矩陣組成一個(gè) [5,3,6,6]的四維張量作為時(shí)刻t最終的編碼器網(wǎng)絡(luò)輸入。加入了時(shí)間步長(zhǎng)的多尺度自編碼網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 多時(shí)間步長(zhǎng)自編碼器網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Multi-timesteps auto-encoder

引入多時(shí)間步長(zhǎng)之后,編碼器的輸入輸出和解碼器的輸入輸出的維度就不匹配了,同時(shí)編碼器的卷積神經(jīng)網(wǎng)絡(luò)提取的是電機(jī)電流信號(hào)之間的特征,并沒(méi)有聚合時(shí)間尺度的特征,需要進(jìn)一步地調(diào)整。為了解決上述問(wèn)題,選擇在編碼器和解碼器中連接一層卷積長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)層[25](ConvLSTM)來(lái)完成時(shí)間尺度的特征融合和輸入輸出數(shù)據(jù)的維度匹配,并將計(jì)算結(jié)果合并到編碼器下一層的輸入中,新的網(wǎng)絡(luò)稱(chēng)為多尺度循環(huán)自編碼器,其結(jié)構(gòu)如圖6所示。

圖6 多尺度循環(huán)自編碼器網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 Multi-scale convolutional auto-encoder

在參數(shù)選擇上,由于需要適應(yīng)不同大小的差異性矩陣,卷積層與反卷積層的數(shù)量決定了能否從訓(xùn)練數(shù)據(jù)中提取到足夠豐富的特征;卷積核的大小和移動(dòng)步長(zhǎng)決定了編碼器和解碼器輸入輸出的一致性和特征提取的有效性;

在卷積層與反卷積層數(shù)的選擇上,一般而言,盾構(gòu)機(jī)主驅(qū)動(dòng)電機(jī)數(shù)為6～30,即構(gòu)建的差異性矩陣維度為6～30,過(guò)多的卷積層會(huì)將數(shù)據(jù)過(guò)度壓縮,而過(guò)少的卷積層則會(huì)導(dǎo)致提取特征不完全;經(jīng)過(guò)試驗(yàn)選擇,選擇3至4層的卷積層與反卷積層能夠同時(shí)獲得較快的收斂速度和較為準(zhǔn)確的檢測(cè)結(jié)果。本文根據(jù)電機(jī)數(shù)量選取3層卷積層與3層反卷積層構(gòu)建多尺度循環(huán)自編碼器的編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)。

在卷積核的選擇上,過(guò)大的卷積核會(huì)使得特征信息丟失嚴(yán)重,過(guò)小的卷積核會(huì)導(dǎo)致特征提取不完全的情況,最終導(dǎo)致網(wǎng)絡(luò)發(fā)散。為解決上述問(wèn)題,通過(guò)理論分析和試驗(yàn)測(cè)試,最終在編碼器中選擇先使用維度為3卷積核配合1×1的移動(dòng)步長(zhǎng)做第1層卷積;再使用維度為3的卷積核配合2×2的移動(dòng)步長(zhǎng)做第2層卷積;最后使用維度為2的卷積核和2×2的步長(zhǎng)做第3層卷積。在解碼器中選擇則是順序相反的3層反卷積層。在連接編碼器和解碼器的卷積長(zhǎng)短時(shí)神經(jīng)網(wǎng)絡(luò)的參數(shù)選擇中,選擇維度為3的卷積核配合輸入數(shù)據(jù)的時(shí)間步長(zhǎng),選擇5層的內(nèi)部結(jié)構(gòu)。具體參數(shù)選擇如圖7所示。

圖7 多尺度循環(huán)自編碼器網(wǎng)絡(luò)參數(shù)Fig.7 Multi-scale convolutional auto-encoder parameters

3 異常檢測(cè)流程

本節(jié)將介紹整個(gè)異常檢測(cè)的流程,包括數(shù)據(jù)的獲取,預(yù)處理以及如何使用多尺度循環(huán)自動(dòng)編碼器神經(jīng)網(wǎng)絡(luò)完成異常檢測(cè),流程如圖8所示。

圖8 異常檢測(cè)流程Fig.8 Flowchart of anomaly detection

一方面,通過(guò)正常運(yùn)行時(shí)期健康電機(jī)的數(shù)據(jù)進(jìn)行訓(xùn)練數(shù)據(jù)集的構(gòu)建,訓(xùn)練多尺度循環(huán)自編碼器,使得編碼器記錄正常良好運(yùn)行時(shí)的數(shù)據(jù)特征;另一方面,待檢測(cè)數(shù)據(jù)通過(guò)數(shù)據(jù)預(yù)處理構(gòu)建差異性矩陣,通過(guò)預(yù)先訓(xùn)練好的多尺度循環(huán)自編碼器生成重構(gòu)矩陣,通過(guò)判斷重構(gòu)矩陣與原始輸入矩陣的殘差判斷該時(shí)段電機(jī)是否存在異常,如果異常則可以通過(guò)殘差矩陣和原矩陣定位異常電機(jī)。

3.1 數(shù)據(jù)獲取和預(yù)處理

從PLC中獲取的數(shù)據(jù)采樣頻率為1 Hz,數(shù)據(jù)采集不區(qū)分工作時(shí)間與非工作時(shí)間,所以數(shù)據(jù)預(yù)處理的工作是要將工作時(shí)間篩選出來(lái),一個(gè)自然且樸素的想法是選取電機(jī)電流信號(hào)大于零的時(shí)間段,一天之內(nèi)1號(hào)電機(jī)電流信號(hào)如圖9所示。

圖9 一天中電機(jī)1#電流信號(hào)時(shí)序圖Fig.9 Motor current signal in one day

掘進(jìn)過(guò)程中因?yàn)槊媾R地質(zhì)參數(shù)和選擇掘進(jìn)參數(shù)的不同會(huì)導(dǎo)致電機(jī)的負(fù)載情況不同,在此情況下檢測(cè)電機(jī)異常,評(píng)估電機(jī)性能十分困難。根據(jù)推進(jìn)力是否為零可以將掘進(jìn)階段[26]細(xì)分為啟動(dòng)段、掘進(jìn)段、停機(jī)段。橫坐標(biāo)范圍內(nèi)所示啟動(dòng)段的電機(jī)電流信號(hào)如圖10所示。

圖10 啟動(dòng)段各個(gè)電機(jī)信號(hào)Fig.10 Motor signals in the start section

在電機(jī)啟動(dòng)段的時(shí)候,電機(jī)開(kāi)始工作并緩慢帶動(dòng)刀盤(pán)加速旋轉(zhuǎn)直至加速到穩(wěn)定的轉(zhuǎn)速。在刀盤(pán)加速至目標(biāo)轉(zhuǎn)速的過(guò)程中,刀盤(pán)尚未與巖壁接觸,期間存在一段電機(jī)帶動(dòng)刀盤(pán)穩(wěn)定空轉(zhuǎn)的過(guò)程,其信號(hào)特點(diǎn)是:刀盤(pán)開(kāi)始旋轉(zhuǎn),尚未產(chǎn)生推進(jìn)力,刀盤(pán)扭矩穩(wěn)定,此時(shí)系統(tǒng)的負(fù)載只取決于系統(tǒng)本身,為電機(jī)之間的差異性分析提供了較為穩(wěn)定的參照比較環(huán)境,如圖10中紅色框中間的區(qū)域所示,選用該段信號(hào)作為電機(jī)之間的差異性分析參照能夠盡可能地減少工況不同帶來(lái)的影響。將截取到的電機(jī)電流信號(hào)按照第1節(jié)中所描述方法構(gòu)造出相應(yīng)的差異性矩陣,完成了整個(gè)數(shù)據(jù)的獲取與預(yù)處理工作。

3.2 異常檢測(cè)

本文基于第2節(jié)中多尺度循環(huán)自編碼器的特征提取與記錄的特點(diǎn),設(shè)計(jì)如下異常檢測(cè)方法。

首先,將正常運(yùn)行數(shù)據(jù)經(jīng)過(guò)上小節(jié)中的預(yù)處理之后進(jìn)行編碼,生成差異性矩陣,構(gòu)建訓(xùn)練集;再將訓(xùn)練數(shù)據(jù)輸入多尺度循環(huán)自編碼器中得到重構(gòu)輸出數(shù)據(jù),以訓(xùn)練輸入數(shù)據(jù)和重構(gòu)輸出數(shù)據(jù)的殘差均方根值為損失函數(shù)來(lái)訓(xùn)練網(wǎng)絡(luò)參數(shù),使得該自編碼器模型學(xué)習(xí)并記錄正常運(yùn)行時(shí)電機(jī)電流信號(hào)差異性矩陣的數(shù)據(jù)特征。模型訓(xùn)練完成后,將待檢測(cè)數(shù)據(jù)同樣經(jīng)過(guò)預(yù)處理后構(gòu)建差異性矩陣,將待檢測(cè)數(shù)據(jù)的差異性矩陣輸入訓(xùn)練后的自編碼器模型中得到重構(gòu)數(shù)據(jù),根據(jù)待檢測(cè)輸入數(shù)據(jù)與重構(gòu)輸出數(shù)據(jù)的殘差情況判斷待檢測(cè)輸入數(shù)據(jù)的異常情況。

如果待檢測(cè)輸入數(shù)據(jù)正常運(yùn)行,由于模型是根據(jù)正常運(yùn)行數(shù)據(jù)訓(xùn)練出來(lái)的,并以最小化殘差為訓(xùn)練目標(biāo),所以最后得到的殘差較小;如果待檢測(cè)輸入數(shù)據(jù)是異常運(yùn)行數(shù)據(jù),由于模型在訓(xùn)練過(guò)程中沒(méi)有學(xué)習(xí)記錄異常數(shù)據(jù)的特征,所以最后得到的殘差一般較大。殘差矩陣中每個(gè)元素為對(duì)應(yīng)位置的原矩陣元素與重構(gòu)矩陣元素的差值的平方,其數(shù)據(jù)分布上的特點(diǎn)是:正常數(shù)據(jù)與重構(gòu)數(shù)據(jù)的殘差矩陣的均值和峰值維持在相對(duì)較低的水平;異常數(shù)據(jù)與重構(gòu)數(shù)據(jù)的殘差矩陣的均值和峰值一般較大,同時(shí)會(huì)出現(xiàn)明顯的異常元素。

正常和異常數(shù)據(jù)的原矩陣、重構(gòu)矩陣、殘差矩陣如圖11、圖12所示。可知:正常數(shù)據(jù)與其重構(gòu)矩陣的殘差矩陣峰值為0.13,均值為0.024;異常數(shù)據(jù)與其重構(gòu)矩陣的殘差矩陣峰值為0.94,均值為0.126;正常數(shù)據(jù)的殘差矩陣的峰值和均值較小,而異常數(shù)據(jù)的殘差矩陣的峰值和均值較大,并且會(huì)有0.94、0.82、0.63等異常值出現(xiàn),在熱力值圖中觀察也能夠快速準(zhǔn)確定位異常電機(jī)的編號(hào)。

(a)正常原矩陣

(b)重構(gòu)矩陣

(c)殘差矩陣

進(jìn)一步地,在盾構(gòu)機(jī)掘進(jìn)時(shí),如果在之前的工作過(guò)程中沒(méi)有出現(xiàn)異常,可以使用這些數(shù)據(jù)構(gòu)建新的訓(xùn)練集對(duì)該網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí),使得得到的新模型更加符合目前的掘進(jìn)狀態(tài)和地質(zhì)參數(shù)。

(a)異常原矩陣

(b)重構(gòu)矩陣

(c)殘差矩陣

圖13 異常檢測(cè)結(jié)果Fig.13 Result of anomaly detection

圖13展示的是對(duì)一段時(shí)間的運(yùn)行數(shù)據(jù)進(jìn)行異常檢測(cè)的結(jié)果。其中縱坐標(biāo)健康狀態(tài)編號(hào)0～5表示當(dāng)前時(shí)刻發(fā)生異常的電機(jī)編號(hào);-1表示當(dāng)前時(shí)刻系統(tǒng)正常工作,沒(méi)有電機(jī)出現(xiàn)異常;-2表示當(dāng)前時(shí)刻存在多個(gè)異常電機(jī)。圖14展示的是對(duì)圖13中測(cè)試的模型進(jìn)行遷移學(xué)習(xí)之后得到的新模型的測(cè)試結(jié)果。選取了測(cè)試數(shù)據(jù)之前一段時(shí)間的電機(jī)正常運(yùn)行數(shù)據(jù)作為新的補(bǔ)充訓(xùn)練集,可以發(fā)現(xiàn),遷移學(xué)習(xí)后得到的模型的準(zhǔn)確度和穩(wěn)定性都更有優(yōu)勢(shì)。將檢測(cè)結(jié)果與盾構(gòu)機(jī)維修日志進(jìn)行對(duì)照,能夠很好檢測(cè)出電機(jī)異常的發(fā)生,并且對(duì)于沒(méi)有維修記錄的異常情況能夠給出提示與預(yù)警。

圖14 遷移學(xué)習(xí)之后異常檢測(cè)結(jié)果Fig.14 Result of anomaly detection after transfer learning

4 性能指標(biāo)與可視化

本節(jié)中要將時(shí)間跨度放大,考慮整個(gè)主驅(qū)動(dòng)電機(jī)組系統(tǒng)的性能的變化情況,給出評(píng)判系統(tǒng)狀態(tài)的相應(yīng)性能指標(biāo)。

性能評(píng)估與異常檢測(cè)有著較大的區(qū)別,至少兩者所關(guān)心的時(shí)間尺度大不相同,但是第1節(jié)中提到的異常檢測(cè)中差異性度量仍是性能評(píng)估的一個(gè)重要參考指標(biāo)。排除不同工作狀態(tài)的干擾是進(jìn)行性能評(píng)估的難點(diǎn),第3節(jié)中提到的選擇啟動(dòng)段數(shù)據(jù)就是一個(gè)很好的思路。主驅(qū)動(dòng)電機(jī)組系統(tǒng)的性能與各個(gè)主驅(qū)動(dòng)電機(jī)的工作狀態(tài)密切相關(guān),當(dāng)各電機(jī)正常工作時(shí),主驅(qū)動(dòng)電機(jī)組性能相對(duì)良好,當(dāng)某個(gè)電機(jī)工作狀態(tài)出現(xiàn)異常時(shí),主驅(qū)動(dòng)電機(jī)組性能就會(huì)變化,并且隨著異常的累計(jì)會(huì)逐漸降低。因此,可以通過(guò)監(jiān)控各個(gè)主驅(qū)動(dòng)電機(jī)的異常情況來(lái)評(píng)估主驅(qū)動(dòng)電機(jī)組的工作性能。

綜上所述,本文通過(guò)如下方式構(gòu)建主驅(qū)動(dòng)電機(jī)組系統(tǒng)的性能指標(biāo):選擇一天之內(nèi)的所有啟動(dòng)段數(shù)據(jù)作為新的時(shí)間序列構(gòu)建差異性矩陣,如圖15(a);再對(duì)矩陣的每一行求和表示當(dāng)天該電機(jī)在系統(tǒng)中的相對(duì)差異性評(píng)分,如圖15(b)所示。根據(jù)每個(gè)電機(jī)的差異性評(píng)分,將之取倒數(shù)之后再歸一化后可以得到如圖16所示的結(jié)果。

(a)差異性矩陣

(b)根據(jù)差異性矩陣計(jì)算所得差異性評(píng)分

圖16 相對(duì)性能評(píng)分Fig.16 Relative performance score

最后,根據(jù)歸一化的性能指標(biāo)可以繪制當(dāng)天電機(jī)之間的相對(duì)性能指標(biāo)雷達(dá)圖作為系統(tǒng)性能的可視化表達(dá),如圖17所示。雷達(dá)圖的面積能夠反映出系統(tǒng)的性能優(yōu)劣,將每天的性能雷達(dá)圖面積計(jì)算出來(lái)可以形成一個(gè)隨著時(shí)間衰減的時(shí)間序列,如圖18所示。

圖17 電機(jī)相對(duì)性能雷達(dá)圖Fig.17 Motor relative performance radar chart

圖18 主驅(qū)動(dòng)電機(jī)組性能變化曲線Fig.18 Performance change curve of main drive motors

其中,性能指標(biāo)曲線表示的是真實(shí)計(jì)算出來(lái)的雷達(dá)圖面積值變化曲線,性能變化曲線表示的是根據(jù)性能指標(biāo)曲線濾波平滑后的變化曲線,其擁有較好的單調(diào)特性,可以作為一種系統(tǒng)整體性能的度量,性能的評(píng)估與預(yù)測(cè)都可以基于性能變換曲線進(jìn)行。

5 驗(yàn)證與分析

為了驗(yàn)證本文算法在實(shí)際工程中異常檢測(cè)的性能,選用印度孟買(mǎi)D215盾構(gòu)掘進(jìn)工程數(shù)據(jù)對(duì)本文算法進(jìn)行測(cè)試。

印度孟買(mǎi)D215盾構(gòu)掘進(jìn)工程數(shù)據(jù)日志顯示在掘進(jìn)第76環(huán)的時(shí)候5#電機(jī)發(fā)生異常,將該環(huán)數(shù)據(jù)分段截取編碼成840組驗(yàn)證數(shù)據(jù),共有762組數(shù)據(jù)結(jié)果正確,78組數(shù)據(jù)判斷錯(cuò)誤,在該環(huán)數(shù)據(jù)上的準(zhǔn)確率為90.71%;在115環(huán)掘進(jìn)過(guò)程中,3號(hào)電機(jī)的信號(hào)與其他電機(jī)的信號(hào)差異較大,屬于性能異常但沒(méi)有達(dá)到故障的程度。對(duì)該環(huán)的掘進(jìn)數(shù)據(jù)進(jìn)行截取編碼成456組驗(yàn)證數(shù)據(jù),共有435組數(shù)據(jù)判斷正確,21組數(shù)據(jù)判斷錯(cuò)誤,在該環(huán)數(shù)據(jù)的準(zhǔn)確率為95.39%。這表明本文算法在實(shí)際工程中有著較高的準(zhǔn)確率和應(yīng)用價(jià)值。

除此之外,為了驗(yàn)證多尺度循環(huán)自編碼器在電機(jī)異常檢測(cè)中的作用,還對(duì)比了差異性算法與本文算法在實(shí)際工程中異常檢測(cè)準(zhǔn)確率上的差別,并對(duì)其余環(huán)的數(shù)據(jù)進(jìn)行了測(cè)試驗(yàn)證。差異性算法指的是不經(jīng)過(guò)多尺度循環(huán)自編碼器的重構(gòu)獲取殘差矩陣,而是直接根據(jù)差異性矩陣所表現(xiàn)出來(lái)的電機(jī)之間的差距判斷測(cè)試數(shù)據(jù)的異常情況并定位異常。兩種算法的對(duì)比實(shí)驗(yàn)結(jié)果如圖19、圖20所示。

圖19 算法測(cè)試結(jié)果(Ⅰ)Fig.19 Algorithm test results (Ⅰ)

圖20 算法測(cè)試結(jié)果(Ⅱ)Fig.20 Algorithm test results (Ⅱ)

由圖19、圖20可以看出,對(duì)于不同的掘進(jìn)環(huán)號(hào),在不同的地質(zhì)條件和掘進(jìn)參數(shù)的情況下,差異性算法的異常檢測(cè)準(zhǔn)確率差距較大,而本文算法能夠穩(wěn)定在90%左右,說(shuō)明多尺度循環(huán)自編碼器能夠準(zhǔn)確地從原始數(shù)據(jù)中提取由電機(jī)異常引起的差異性分量,有助于提升異常檢測(cè)的穩(wěn)定性和準(zhǔn)確率,證明其在實(shí)際工程應(yīng)用中的優(yōu)越性。

上述結(jié)果可以反映出該模型與算法能夠?qū)τ谡?shù)據(jù)和異常數(shù)據(jù)的區(qū)分有著較高的準(zhǔn)確性,雖然由于實(shí)際故障數(shù)據(jù)的缺失,能否通過(guò)異常數(shù)據(jù)預(yù)測(cè)故障發(fā)生還有待更為深入的研究,但是本文提出的算法已經(jīng)能夠較為準(zhǔn)確、穩(wěn)定地檢測(cè)異常,對(duì)故障的預(yù)警和性能變化的監(jiān)控有著重要意義。

6 結(jié) 論

(1)本文利用盾構(gòu)機(jī)主驅(qū)動(dòng)電機(jī)的同位特性,利用電機(jī)電流信號(hào)之間的差距構(gòu)建描述系統(tǒng)性能的差異性矩陣,使用多尺度自動(dòng)編碼器網(wǎng)絡(luò)完成電機(jī)的異常檢測(cè)。

(2)選取電機(jī)啟動(dòng)段電流信號(hào)受工況載荷的干擾小,利用差異性矩陣構(gòu)建描述系統(tǒng)內(nèi)相對(duì)性能的性能雷達(dá)圖,通過(guò)雷達(dá)圖面積描述系統(tǒng)性能的變化情況,給出一種描述主驅(qū)動(dòng)電機(jī)組狀態(tài)的性能指標(biāo)。

(3)通過(guò)現(xiàn)場(chǎng)數(shù)據(jù)的驗(yàn)證和分析,說(shuō)明本文提出的方法提供了一種針對(duì)現(xiàn)場(chǎng)數(shù)據(jù)的電機(jī)異常檢測(cè)方法,并且有著較高的準(zhǔn)確率。